MOOC平台课程评论文本中包含了大量学习者对某一门课程的看法,甚至是对授课教师和学习平台的看法。然而海量的评论数据使得教师或平台无法对每条评论及时阅读和处理。通过对MOOC课程评论进行情感分类和方面挖掘研究,能够了解学习者在学习过程中所关注的方面和对其产生的情感态度,有助于教师或平台改进教学方式和完善平台功能,从而调动学习者积极性,降低退课率。本文以MOOC课程评论文本为研究对象,针对情感分类和方面挖掘开展如下相关研究工作:（1）提出一种基于图卷积的多特征融合神经网络模型（GFNs模型）用于MOOC课程评论的情感极性分类。GFNs模型基于句法依赖信息构建句法依存图,使用图卷积网络（Graph Convolutional Networks,GCN）作为句子编码器,获得句子中单词的潜在特征表示。同时对句子的语义信息以及GCN捕获的词依赖嵌入进行堆叠,达到各类特征互补的目的。最终通过一层残差网络来弥补网络中多层GCN后带来的梯度消散的问题。实验结果表明,本文所提出的GFNs模型在MOOC情感分类任务上的F1值比常规的单嵌入线性深度模型均有不同程度的提升。（2）提出一种多语义编码融合的两阶段模型（Multi-semantic encoder fuses twostage model for Aspect Extraction,MSEF-AE）用于挖掘MOOC课程评论文本的方面词。首先该模型分别使用全局注意力机制和双向的长短期记忆网络捕获文本的方面信息和丰富的上下文语义信息,解决现有的无监督方面挖掘模型未能考虑到的一词多义问题。通过多特征拼接融合的方式,同时考虑语义信息和方面信息,更有效的保留模型提取到的特征。最终通过self-attention机制对融合后的多特征进行挑选,从而学习到更重要的文本信息。实验结果表明,本文提出的MSEF-AE模型在两个大型公开数据集上的P、R、F1值比以往的无监督方面挖掘模型均有所提升,同时也有效地挖掘出MOOC课程评论文本的8个方面及其代表词。（3）为了更好的利用MOOC课程评论的情感分类结果和方面挖掘结果,本文对MOOC课程评论文本挖掘的方面结果进行归类,最终获得MOOC课程的4个方面。通过对MOOC课程评论的情感分类和方面挖掘结果进行统计,得到MOOC课程评论中学习者所关注的方面占比,以及学习者对每个方面所持有的整体情感态度。最终设计可视化结果展示模块并结合实例具体分析,给教师和平台提出有意义的建议。